Web sémantique et pratiques documentaires

Transcription

1 Web sémantique et pratiques documentaires Jérôme Euzenat - Raphaël Troncy Si le web actuel contient une quantité d informations formidable, il reste difficile à exploiter. Ainsi, la recherche d «un livre sur Bertrand Russell» n est guère aisée à l aide des moteurs de recherche : ils commencent par supprimer le mot-clé «sur» comme peu discriminant et retournent nombre de pages consacrées aux travaux du philosophe. Si l on désire que les machines nous aident à trouver l information, il nous faut les y aider en explicitant celle-ci. Le web est constitué par un ensemble de documents, principalement textuels, formatés dans un langage particulier (HTML) permettant d exprimer des liens entre un objet dans le document source (l ancre) et un objet du document cible. Il est exploité par des dispositifs logiciels (navigateurs ou robots de recherche) qui traversent ces liens lorsqu ils les rencontrent (ou lorsque l utilisateur clique sur une ancre). Le travail d exploitation du web est donc principalement dévolu aux utilisateurs humains qui doivent analyser le contenu des pages pour déterminer sur quel lien cliquer. Des dispositifs logiciels peuvent les y aider, mais leur apport, bien que remarquable, reste limité car le contenu des documents du web s adresse aux utilisateurs humains. De longue date, les archivistes et les documentalistes ont développé des méthodologies, des terminologies (thésaurus) et des outils pour inventorier et cataloguer les fonds documentaires dont ils ont la gestion. Retrouver des documents particuliers dans un fonds est devenu un travail de spécialiste réservé aux documentalistes. Le défi, aujourd hui, est d accomplir ce travail à l échelle du web, c est-à-dire un espace ouvert à tous, et non plus dans une structure plus ou moins rigide, évoluant au gré des groupes de travail internationaux. Le principe du web sémantique, comme celui du web, est son ouverture : la possibilité de faire référence à des ressources distantes, non maîtrisées et la possibilité de les enrichir sans être entravé par des barrières physiques, techniques ou même réglementaires. Pour hériter de ces particularités du web, le PUBLIER SUR INTERNET 157

2 Chapitre 5 web sémantique devra tirer parti d un espace d adressage global des ressources permettant d y ajouter en permanence de l information et d y avoir accès sans entrave. Il devra offrir des langages permettant de partager et d échanger la description de ces ressources. Une application du web sémantique est donc une application qui se nourrit des descriptions des ressources du web et qui, en retour, produit de telles descriptions. En première approximation, le but du web sémantique est de développer un web dont le contenu s adresse, au moins pour partie, aux machines, afin qu elles puissent aider les utilisateurs humains [Charlet, 2003]. Plus précisément, un tel web doit doter ses ressources (documents, services, etc.) d annotations dont la vocation n est pas d assurer l affichage des documents mais l appréhension de son contenu par divers outils logiciels. Le web sémantique doit donc être une infrastructure juxtaposant au web actuel des documents structurés par des langages (pour exprimer la connaissance, pour décrire les relations entre les connaissances, pour décrire les conditions d utilisation et pour décrire les garanties et les modes de paiement), et des dispositifs permettant de trouver les ressources. Dans un cadre documentaire, on utilise en premier lieu des informations sur les documents, qu ils soient disponibles sur le web ou non. Nous nous intéresserons donc ici aux techniques permettant de décrire ces documents à l aide des outils du web sémantique et au langage permettant de le faire : RDF. Cependant, il est nécessaire de préciser le vocabulaire utilisé pour décrire les documents (un ordinateur ne peut deviner qu une autobiographie est une sorte de biographie et une biographie un livre). D autre part, la recherche de documents dépend d informations sortant du domaine des documents, par exemple des informations sur les personnes ou sur les mathématiques. Pour cela, on développe un modèle conceptuel des objets considérés qui circonscrit le vocabulaire propre au domaine et contraint le sens des concepts et de leurs relations. Ce modèle, qualifié d ontologie, dispose d un langage adapté pour s exprimer dans le web sémantique : OWL. Enfin, il est essentiel de tirer parti de ces descriptions et de ces ontologies pour retrouver les documents (à l image de l autobiographie de Bertrand Russell). Nous évoquerons donc brièvement les langages de requêtes et les inférences permises par les langages considérés. Notre intention est de présenter rapidement les technologies du web sémantique actuellement disponibles et d illustrer en quoi elles peuvent être utiles à la pratique documentaire. Nous commencerons donc tout naturellement par présenter le langage RDF qui permet le partage de l information entre humains et machines (première partie). Nous montrerons comment il est possible d y exprimer des notices 158 PUBLIER SUR INTERNET

3 W eb séantique et pratiques documentaires signalétiques et de retrouver l information. Mais exprimer de l information n est pas suffisant si l on veut améliorer l appréhension de ces structures par la machine. Disposer d ontologies permettra aux ordinateurs de faire automatiquement des inférences, ce dont nous sommes coutumiers. Nous introduirons, à cet effet, le langage d ontologies pour le web OWL en prenant un exemple de construction d ontologie des publications (deuxième partie). Nous montrerons très simplement comment celui-ci permet d inclure d autres ontologies dans une modélisation, profitant ainsi d efforts de modélisation extérieurs mais aussi des sources d information les utilisant. Nous présenterons ensuite des ressources déjà disponibles utilisant les technologies du web sémantique et permettant d aller au-delà de ce qui est actuellement offert dans les centres de documentation. Nous évoquerons divers scenarii dans lesquels elles peuvent intervenir (troisième partie). L ensemble de l exposé sera illustré par l utilisation des technologies du web sémantique pour la gestion et la manipulation de fonds documentaires. Nous terminerons par une application dédiée plus particulièrement à l indexation de documents multimédias (quatrième partie). 1. Produire des descriptions RDF RDF est le langage dans lequel sont décrites les ressources du web sémantique. Nous présentons donc ci-dessous les rudiments de RDF et son utilisation dans un cadre de signalisation documentaire. 1.1 Représenter des notices avec RDF Comme dans l exemple de l autobiographie de Bertrand Russell, l annotation des ressources à l aide de simples mots-clés, voire de catégories, n est pas suffisante. Il faut être capable d exprimer l information relationnelle : savoir qu un objet «livre» peut avoir un «auteur» qui est une «personne» et un «sujet», ou qu une «autobiographie» est une «biographie» dont l «auteur» est le «sujet». Il est donc naturel que le premier langage pour le web sémantique, RDF, mette l accent sur les relations. Une notice bibliographique pourra être exprimée en RDF à la manière de la figure 1. RDF (Resource Description Framework) [Champin, 2001 ; Klyne, 2004 ; Manola, 2004] est un langage, recommandé par le W3C, fondé sur les notions de ressources et de relations entre ressources. Un triplet <s, p, o> exprime une relation p entre un sujet s et un objet o. Les relations et certaines ressources sont identifiées par des URI (Uniform Resource Identifiers) [Berners-Lee, 1998] dont l exemple le plus connu est celui des URL, qui PUBLIER SUR INTERNET 159

4 Chapitre 5 FFigure 1 - GRAPHE RDF REPRÉSENTANT UNE NOTICE BIBLIOGRAPHIQUE constituent les «adresses» des pages du web. Les ressources peuvent être identifiées ou rester anonymes, elles peuvent également être typées en utilisant la relation rdf:type. Notons que certaines ressources sont externes (foaf), et que d autres sont spécifiques à notre application (bib). Les objets peuvent être des littéraux (comme une chaîne de caractères ou un nombre entier). La figure 1 présente une partie d un document RDF sous forme graphique. Les objets d un triplet qui sont des littéraux sont représentés dans un rectangle (ici, The Autobiography of Bertrand Russell ou 760). Le sommet non étiqueté représente une variable. Un document RDF constitue donc un graphe étiqueté sur ses arêtes et ses sommets (plus précisément un multigraphe orienté et étiqueté) où les éléments apparaissant comme sujet ou objet sont les sommets, et où chaque triplet est représenté par un arc dont l origine est son sujet et la destination son objet. Intuitivement, ce graphe peut se comprendre comme «Il existe un livre qui est une autobiographie, dont l auteur est Bertrand Russell, le numéro ISBN est X, le titre est The Autobiography of Bertrand Russell, le nombre de pages 760, et qui est publié par Routledge». Ce document sera codé en machine par un document RDF/XML [Beckett, 2004] ou n3. Voici l exemple original exprimé en RDF/XML (fig. 2). 160 PUBLIER SUR INTERNET

5 W eb séantique et pratiques documentaires Figure 2 - PRÉSENTATION D UNE NOTICE BIBLIOGRAPHIQUE EN RDF <RDF xmlns=" xmlns:rdf=" xmlns:bib=" xmlns:foaf=" <Description rdf:id=" x"> <rdf:type rdf:resource="&bib;autobiography"/> <bib:author> <foaf:person rdf:about=" </bib:author> <bib:title>the Autobiography of Bertrand Russell</bib:title> <bib:isbn> x</bib:isbn> <bib:length>760</bib:length> <bib:size>1.67x7.90x5.14in</bib:size> <bib:publisher> <Publisher rdf:resource="#routledge"/> </bib:publisher> <bib:date> <Date year="2000"/> </bib:date> </Description> <Description rdf:id="routledge"> <address> <Address city="london" country="uk"/> </address> </Description> </RDF> 1.2 Un graphe à l échelle du monde Comme on l a vu, les objets, ou les ressources, sont identifiés par des URI. À l instar de ce qui se passe dans le web, ceci présente l intérêt que l objet référencé n a pas besoin de se trouver ou d être décrit dans le document luimême. Les documents RDF constituent donc un immense graphe à l échelle du monde. RDF peut être utilisé pour annoter des documents écrits dans des langages non structurés, ou comme une interface pour des documents écrits dans des langages ayant une structure similaire (des bases de données, par exemple). L utilisation des URI permet le partage des descriptions entre plusieurs documents. Ainsi, le contenu d un ouvrage peut être décrit sur le site de l éditeur alors que l exemplaire se trouvant dans le fonds peut être décrit localement. De plus, si la Société des amis de Bertrand Russell publie sa page FOAF ou PUBLIER SUR INTERNET 161

6 Chapitre 5 que l auteur a une page FOAF, mieux vaut la référencer plutôt que de la recopier ou la réinventer. De même, si plusieurs exemplaires sont disponibles, il n est pas nécessaire de dupliquer l information. La figure 3 montre trois annotations de l ouvrage cité plus haut. La première concerne un site de bibliothèque et indique dans quel rayonnage se trouve l ouvrage, la suivante provient d un site marchand et indique son prix et son type de reliure, la troisième provient de nouveau d un service de documentation et indique les catégories de la classification Dewey auxquelles l ouvrage appartient. Figure 3 - PRÉSENTATIONS ALTERNATIVES DE LA NOTICE DE LA FIGURE 2 <Ouvrage rdf:id="exus4533b"> <sto:oeuvre rdf:about=" <sto:size>1.67x7.90x5.14in</sto:size> <sto:rayonnage>usuel-biographie</sto:rayonnage> </Ouvrage> <Book rdf:id=" <rdf:type rdf:resource="#paperback"/> <price>$16.95</price> <rating>4</rating> </Book> <Autobiography rdf:id="ba4498"> <owl:sameas rdf:resource="# x"/> <rdf:type rdf:resource="#paperback"/> <dc:identifier> x</dc:identifier > <dewey>107</dewey> <dewey>190</dewey> <dewey>160</dewey> </Autobiography> Il subsiste une différence entre les trois descriptions : la première fait référence à la description initiale à l aide de l attribut sto:oeuvre alors que les suivantes la complètent. En effet, les attributs price et dewey sont virtuellement intégrés dans la description initiale. En réalité, ils ne modifient en rien la description première mais, pour le site de l application, la ressource a les propriétés price et dewey. De cette manière, on peut dire que les technologies mises en œuvre dans le web sémantique sont réellement ouvertes : il est toujours possible d ajouter des propriétés à une ressource, qu elle ait été créée par nous ou non. 162 PUBLIER SUR INTERNET

7 W eb séantique et pratiques documentaires En fait, dans les deux derniers cas, l application n a que les attributs price et dewey, car il n y a pas assurance pour une application RDF d aller chercher la ressource correspondante. Pis, il ne faut pas lire les URI comme des URL, il n y a aucune obligation que l identificateur # X donne accès à un document quelconque. Contrairement aux locateurs, les URI ne sont que des identificateurs : ils permettent de spécifier de quoi l on parle. On peut faire une analogie avec les numéros ISBN qui permettent à deux personnes d être assurées qu elles parlent du même ouvrage. Ainsi, si toutes les descriptions se trouvent dans un même environnement (par exemple, une application de documentation) les descriptions de Book et de Autobiography seront fusionnées avec celles de l éditeur. Cette seconde particularité la non-obligation pour une URI de donner accès à la ressource contribue à la robustesse du web sémantique. Les documents RDF peuvent être consultés hors ligne et il n y a plus de liens cassés, comme il peut y en avoir avec le web actuel. Comme on peut le voir avec le dernier exemple, une même ressource peut avoir plusieurs URI, leurs descriptions étant fusionnées à l aide de la primitive sameas de OWL (voir ci-dessous). 1.3 Manipuler les graphes RDF Cette sémantique «intuitive» ne suffisant pas à un traitement automatique, il faut munir les documents RDF d une sémantique formelle, que peut suivre un programme informatique (récemment réalisé). La sémantique d un document RDF est exprimée en théorie des modèles [Hayes, 2004]. L objectif est de donner des contraintes sur les mondes qui peuvent être décrits par un document RDF. Parallèlement à la validité d un document par rapport à un schéma, la consistance d un document par rapport à la sémantique du langage correspond à l existence d un modèle. La sémantique permet de déterminer ce qu est une conséquence d un document (c est-à-dire un triplet satisfait dans tous les modèles du document). Une fois les ressources annotées, il reste à vérifier que nous sommes effectivement capables de les retrouver en interrogeant la base de descriptions. Il est possible de retrouver les documents dont la requête est une conséquence de la description. Par exemple, nous pouvons formuler la requête suivante : «Retrouver les ouvrages de type autobiographie dont l auteur est une personne qui a comme nom Bertrand Russell, ainsi que leur numéro ISBN». Cette requête se traduit dans le langage RDQL (RDF Data Query Language) [Seaborne, 2004] comme indiqué en figure 4. PUBLIER SUR INTERNET 163

8 Chapitre 5 Figure 4 - UNE REQUÊTE EN RDQL SELECT?x,?y,?z WHERE (?x, <rdf:type>, <bib:autobiography>), (?x, <bib:author>,?y), (?y, <rdf:type>, <foaf:person>), (?y, <foaf:name>, Bertrand Russell), (?x, <dc:identifier>,?z) USING rdf FOR < bib FOR < foaf FOR < dc FOR < En particulier, BA4498, X est une réponse pertinente pour la requête ci-dessus. De surcroît, en tirant parti de ce qui vient d être expliqué, si l on recherche un ouvrage de Bertrand Russell auquel s applique la catégorie 107 de Dewey, cette description est aussi une réponse (c est-à-dire que la réponse peut être distribuée sur le web). Les capacités de RDF utilisées jusque-là ne sont pas vraiment révolutionnaires pour celui qui connaît les outils de recherche documentaire. Cependant, nous verrons qu elles contiennent, en germe, des facilités impressionnantes. D abord, présentons la capacité de modélisation offerte par le web sémantique. C est effectivement elle qui permettra de répondre aux requêtes telles qu elles sont posées dans l introduction. 2. Modéliser son domaine Même si RDF est un format très ouvert et malléable (il est possible d ajouter des propriétés à propos de n importe quel élément), il est nécessaire, pour interroger une base documentaire ou le web, d identifier les termes sur lesquels l identification doit porter. Ces termes identifiant les grandes classes d objets impliqués et leurs relations constituent un modèle conceptuel du domaine [Brodie, 1984] et sont décrits dans une «ontologie» [Staab, 2004]. Les ontologies fournissent le vocabulaire propre à un domaine et fixent avec un degré de formalisation variable le sens des concepts et des relations entre ceux-ci. Ces concepts (et ces relations) sont généralement organisés par une relation de spécialisation. Exprimer de la connaissance sur le web est l ambition du web sémantique. Au-delà de ce simple mot d ordre, diffuser des ontologies sur le web est le moyen de permettre à d autres de se les approprier, de les étendre et de les réutiliser. Nous allons devoir décrire les ontologies concernant les informations présentes dans le web sémantique. 164 PUBLIER SUR INTERNET

9 W eb séantique et pratiques documentaires Il existe une tradition de développement de langages d expression d ontologies en représentation de connaissance. Mais, si les ontologies doivent s échanger librement sur le web, il est nécessaire de les intégrer encore plus aux langages du web. Pour cela, on dispose de langages compatibles avec RDF et permettant de le contraindre. Ces langages sont RDFS et OWL présentés dans la suite. 2.1 RDF Schema : les premiers pas À partir de RDF a été développé le langage RDF Schema (RDFS) [Brickley 1999; 2004]. Il a pour but d étendre RDF en décrivant plus précisément les ressources utilisées pour étiqueter les graphes. Pour cela, il fournit un mécanisme permettant de spécifier les classes dont les instances sont des ressources, comme les propriétés. RDFS s écrit toujours à l aide de triplets RDF, en définissant la sémantique de nouveaux mots-clés comme : <# X rdf:type Autobiography> la ressource # X a pour type Autobiography (qui est donc une classe) ; <Autobiography rdfs:subclassof Biography> la classe Autobiography est une sous-classe de Biography, toutes les instances de Autobiography sont donc des instances de Biography ; <bib:publisher rdf:type rdfs:property> affirme que bib:publisher est une propriété (une ressource utilisable pour étiqueter les arcs) ; <bib:publisher rdfs:range Publisher> affirme que toute ressource utilisée comme extrémité d un arc étiqueté par bib:publisher sera une instance de la classe Publisher. Ces primitives constituent la base de tout langage d ontologie, permettant de signifier l appartenance d un objet à une catégorie, de déclarer la relation de généralisation entre catégories et de typer des objets reliés par une relation. RDFS est cependant plus complexe car tous les termes y sont eux-mêmes définis dans le langage : tout y est ressource. Relation, Resource et Class sont des classes ; type et subclassof sont des relations Ceci en fait un langage difficile à interpréter, car réflexif. Nous nous concentrerons donc uniquement sur les primitives. Ainsi que le montre l extrait suivant, il est possible de décrire une hiérarchie de classes de références (Reference est plus général que Book qui est plus général que Biography qui l est plus que Autobiography). Il est aussi possible de décrire les types d objets attendus aux extrémités des arcs : ainsi la propriété author s applique à une Reference et a pour valeur une Person. On notera ici que si un ouvrage a plusieurs auteurs, ceux-ci seront exprimés à l aide d arcs multiples. PUBLIER SUR INTERNET 165

10 Chapitre 5 Figure 5 - UNE TAXONOMIE EN RDFS <rdfs:class rdf:id="reference" /> <rdfs:class rdf:id="book"> <rdfs:subclassof rdf:resource="#reference" /> </rdfs:class> <rdfs:class rdf:id="biography"> <rdfs:subclassof rdf:resource="#book" /> </rdfs:class> <rdfs:class rdf:id=" Autobiography "> <rdfs:subclassof rdf:resource="#biography" /> </rdfs:class> <rdf:property rdf:id="bib:author"> <rdfs:domain rdf:resource="#reference"/> <rdfs:range rdf:resource="&foaf;person"/> </rdf:property> <rdf:property rdf:id="bib:title"> <rdfs:domain rdf:resource="#reference"/> <rdfs:range rdf:resource="&xsd;string"/> </rdf:property> <rdfs:class rdf:id="publisher"> <rdfs:subclassof rdf:resource="&foaf;organization" /> </rdfs:class> 2.2 OWL : un langage d ontologies pour le web RDFS ne fournit que des mécanismes très primitifs pour spécifier ces classes. Indépendamment, différents langages de description d ontologies ont été développés pour le web. Le projet européen «On-To-Knowledge» avait développé le langage OIL comme une extension d XML Schema (proche de RDFS) offrant des primitives inspirées des logiques de descriptions 1. Le programme américain DAML a, pour sa part, proposé le langage DAML-ONT, fondé sur RDF, et plus proche des langages objets. Ces deux langages ont été fusionnés en un langage connu sous le nom de DAML+OIL qui a servi de base à l élaboration du langage d ontologies pour le web OWL [Dean, 2004]. OWL fournit un grand nombre de constructeurs permettant d exprimer de façon très fine les propriétés des classes définies. À l instar de RDF, OWL est une recommandation du W3C depuis février PUBLIER SUR INTERNET

11 W eb séantique et pratiques documentaires On peut appréhender le langage OWL en observant la définition d un livre et d une biographie présentée ici. Outre les primitives de RDFS, OWL permet de contraindre plus précisément la description des classes (en les décrivant comme union, intersection, complémentaire d autres descriptions ou comme l ensemble d un certain nombre d individus), des domaines de relations (en spécifiant le type de toutes leurs valeurs, ou d un certain nombre de leurs valeurs) ou des relations (en les déclarant transitives, symétriques ou en spécifiant leur inverse). Par ailleurs, il est possible de déclarer que deux classes ou ressources sont équivalentes ou, au contraire, différentes. Ainsi, les documents précédents peuvent être régis par l ontologie OWL contenant les classes présentées en figure 6 : la première expression OWL s interprète comme «La classe Book est l intersection de la classe Reference, des objets dont la propriété title a au moins une valeur et la propriété publisher a pour valeur un Publisher»; la seconde signifie que «Les Biography sont des Book dont l objet est une Person». Figure 6 - EXPRESSIONS OWL DE LA DÉFINITION D UN LIVRE ET D UNE BIOGRAPHIE <owl:class rdf:id= Book > <owl:intersectionof> <owl:class rdf:resource= #Reference /> <owl:restriction> <owl:onproperty rdf:resource= #title /> <owl:mincardinality rdf:datatype= &xsd;integer >1</owl:minCardinality> </owl:restriction> <owl:restriction> <owl:onproperty rdf:resource= #publisher /> <owl:allvaluesfrom rdf:resource= #Publisher /> </owl:restriction> </owl:intersectionof> </owl:class> <owl:class rdf:id= Biography > <owl:intersectionof> <owl:class rdf:resource= #Book /> <owl:restriction> <owl:onproperty rdf:resource= #object /> <owl:allvaluesfrom rdf:resource= &foaf;person /> </owl:restriction> </owl:intersectionof> </owl:class> Dans les ontologies comme dans les descriptions, l ouverture est de mise. Ainsi, les ontologies peuvent faire référence à des concepts introduits dans PUBLIER SUR INTERNET 167

12 Chapitre 5 d autres ontologies. On peut le voir dans les descriptions précédentes où la classe Person n est pas définie dans l ontologie bibliographique mais dans l ontologie FOAF 2 («friend-of-a-friend»). Similairement, on constate sur la figure 5 que la classe Publisher est une sous-classe de la classe FOAF Organization : il est donc possible, non seulement d utiliser, mais de prolonger une ontologie existante (pour ses propres besoins, bien entendu). Il est même possible d aller plus loin et d introduire des classes au sein d une hiérarchie existante (par exemple, dans une ontologie du droit, déclarer que la classe PersonneMorale est une superclasse des classes FOAF Person et Organization). Il est tout aussi possible de déclarer deux classes ou deux relations d ontologies différentes comme équivalentes ou au contraire incompatibles. Enfin, il est possible de contraindre certaines caractéristiques de classes extérieures à l ontologie. Ainsi, il est possible d exprimer que l image de la propriété publisher est un objet de la classe FOAF Organization qui possède au moins une address! La syntaxe d un document OWL est donnée par celle des différents constructeurs utilisés dans ce document. Elle est le plus souvent donnée sous la forme de triplets RDF. Pour des raisons de modularité, OWL a été fractionné en trois langages distincts : - OWL Lite ne contient qu un sous-ensemble réduit des constructeurs disponibles, mais son utilisation assure que la comparaison de types pourra être calculée ; - OWL DL contient l ensemble des constructeurs, mais avec des contraintes particulières sur leur utilisation qui assurent la décidabilité de la comparaison de types. Par contre, la grande complexité de ce langage semble rendre nécessaire une approche heuristique ; - OWL Full, sans aucune contrainte, est la fusion de RDFS et de OWL DL (c est-à-dire qu il abolit la distinction forcée entre classes et ressources). Le problème de comparaison de types y est vraisemblablement indécidable : on ne peut, en général, décider si une classe est plus générale qu une autre. Nous donnons ci-dessous un panorama des constructeurs utilisés dans OWL, dans une syntaxe simplifiée (les mots-clés réservés de OWL sont préfixés de owl:) : OWL Lite - reprend tous les constructeurs de RDF (c est-à-dire fournit des mécanismes permettant de définir un individu comme instance d une classe et de mettre des individus en relation) ; PUBLIER SUR INTERNET

13 W eb séantique et pratiques documentaires - utilise les mots-clés de RDFS (rdfs:subclassof, rdfs:property, rdfs:sub- PropertyOf, rdfs:range, rdfs:domain), avec la même sémantique ; - permet de définir une nouvelle classe (owl:class) comme étant plus spécifique ou équivalente à une intersection d autres classes ; - owl:sameas et owl:differentfrom permettent d affirmer que deux individus sont égaux ou différents ; - des mots-clés permettent d exprimer les caractéristiques des propriétés : owl:inverseof sert à affirmer qu une propriété p est l inverse de p (dans ce cas, le triplet <s p o> a pour conséquence <o p s>) ; d autres caractéristiques sont la transitivité (owl:transitiveproperty), la symétrie (owl:symmetric- Property); - owl:allvaluesfrom associe une classe C à une propriété P. Ceci définit la classe des objets x tels que si <x P y> est une relation, alors la classe de y est C (quantification universelle de rôle en logique de descriptions). owl:somevaluesfrom encode la quantification existentielle de rôle ; - owl:mincardinality (respectivement owl:maxcardinality) associe une classe C, une propriété P, et un nombre entier n. Ceci définit la classe des objets x tels qu il existe au moins (respectivement au plus) n instances différentes y de C avec <x P y>. Pour des raisons d efficacité algorithmique, OWL Lite ne permet d utiliser que des entiers égaux à 0 ou 1. Cette restriction est levée dans OWL DL. OWL DL - reprend tous les constructeurs d OWL Lite ; - permet tout entier positif dans les contraintes de cardinalité ; - owl:oneof permet de décrire une classe en extension par la liste de ses instances ; - owl:hasvalue affirme qu une propriété doit avoir comme objet un certain individu ; - owl:disjointwith permet d affirmer que deux classes n ont aucune instance commune ; - owl:unionof et owl:complementof permettent de définir une classe comme l union de deux classes, ou le complémentaire d une autre classe. OWL Full - reprend tous les constructeurs d OWL DL ; - reprend tout RDF Schema ; - permet d utiliser une classe en position d individu dans les constructeurs. Nous n avons pas cité ici certains constructeurs, qui peuvent être trivialement implémentés grâce à ceux que nous avons évoqués (par exemple, owl:same- ClassAs, servant à affirmer que deux classes sont identiques, peut être écrit grâce à deux rdfs:subclassof). PUBLIER SUR INTERNET 169

14 Chapitre Apports Cette fois encore, OWL est doté d une sémantique en théorie des modèles permettant de spécifier tout ce qui est conséquence d un ensemble d assertions de OWL. Elle est directement issue des logiques de descriptions [Patel-Schneider, 2004]. La sémantique associée aux mots-clés de OWL est plus précise que celle associée aux documents RDF représentant une ontologie OWL. Elle permet donc plus de déduction, comme retourner des Autobiography à une requête concernant les Biography. Ainsi, plus on fait intervenir d ontologies pertinentes dans l évaluation d une requête, plus les réponses sont pertinentes. L intérêt d utiliser une ontologie est de pouvoir valider ses sources : par exemple, être sûr que l éditeur d un ouvrage est bien un Publisher et que son adresse est connue. Mais c est surtout d augmenter le nombre d inférences possibles à partir des données. Plus précisément, une telle modélisation devrait permettre de répondre à des requêtes complexes utilisant les modèles pour compléter la connaissance disponible. Ainsi, si l on étudie la vie de Bertrand Russell, on voudra trouver les biographies de tous les coauteurs et élèves de Bertrand Russell. Bien entendu, une telle requête devra retourner les biographies et les autobiographies ; elle devra aussi trouver les personnes dont le doctorat a eu comme superviseur Bertrand Russell. Ces deux informations n ont pas à être dans la requête, il suffit qu elles soient présentes dans l ontologie pour être exploitées. L information sur les élèves d un auteur n est typiquement pas celle que l on trouve dans les notices bibliographiques actuelles mais que l on peut trouver sur les pages web des auteurs comme sur les sites qui leur sont consacrés. Leur encodage en RDF et OWL permettra de les exploiter. Des moteurs d inférence, encore trop peu nombreux, ont déjà été implémentés pour des sous-ensembles significatifs de OWL DL (dans le cadre des logiques de descriptions) et sont utilisés dans divers outils (OilEd, Protégé, etc.). L étape suivante conduirait à exprimer des règles dans le web sémantique afin de permettre l expression des mécanismes de fonctionnement, des contraintes ou d introduire un aspect opportuniste dans le web sémantique. Il y a suffisamment de volonté sur ce thème pour que l on anticipe un tel langage, mais rien n est pour l instant particulièrement formalisé [Horrocks, 2004]. On peut facilement imaginer, par exemple, un langage de règles permettant d écrire que «les autobiographies ont pour objet leur auteur» (fig. 7). 170 PUBLIER SUR INTERNET

15 W eb séantique et pratiques documentaires Figure 7 - EXEMPLE DE RÈGLE POSSIBLE <r:rule> <r:premisse> <Autobiography rdf:id=?x > <author rdf:resource=?y /> </Autobiography> </r:premisse> <r:conclusion> <Autobiography rdf:id=?x > <dc:subject rdf:resource=?y /> </Autobiography> </r:conclusion> </r:rule> 2.4 Autres langages Un langage alternatif est celui des cartes topiques («Topic maps») proposé par l ISO [Biezunski 2000]. Il est fondé sur trois types d entités : les thèmes (ou topics), les associations et les portées. Les thèmes correspondent aux ressources, les associations aux relations et les portées sont des ensembles de thèmes qui permettent de circonscrire le contexte dans lequel une assertion est valide. On peut ajouter les noms permettant d identifier les thèmes (l approche est donc d emblée multilingue) et les occurrences agissant comme des médiateurs entre les cartes topiques et le monde extérieur (un type de données particulier ou un objet identifiable par un URI). Les cartes topiques sont un modèle très versatile et peuvent donc s adapter à différentes situations. Cependant, l absence d une sémantique claire du formalisme rend difficile son appréhension. Par ailleurs, si ce langage est utilisé dans certains cercles [Garshol, 2003], il n a pas su s imposer au sein du web sémantique. On peut se demander pourquoi ne pas se contenter d utiliser XML pour construire ce web sémantique [Euzenat, 2003], ou plutôt XML à la place de RDF et XML Schema [Thompson, 2001] à la place de OWL. Il y a plusieurs raisons à cela. La première tient à l ouverture : introduire la possibilité d étendre tout document XML, ainsi que présenté ci-dessus (tout attribut pourrait avoir n importe quelle valeur), va à l encontre de la philosophie de XML Schema qui tend plutôt à contraindre. Par ailleurs, ces deux langages ne possèdent pas de sémantique, ce qui rend difficile la justification des inférences que l on pourrait y faire. Enfin, un schéma XML n est pas une ontologie, car son but est de valider un document, et non d en définir les conséquences. Il est donc difficile de l utiliser pour faire des inférences. PUBLIER SUR INTERNET 171

16 Chapitre 5 3. Exemples de cadres applicatifs liés à l ingénierie documentaire Après cette rapide introduction aux langages du web sémantique utilisables dans la pratique documentaire, intéressons-nous à leur utilisation pouvant être mise à profit dans cette pratique. Nous présenterons d abord trois types de ressources qui utilisent les technologies du web sémantique utiles dans les tâches de documentation puis la façon de les exploiter. 3.1 Dublin core Le Dublin Core 3 [DCMI, 2003] est un vocabulaire (ou une ontologie) minimal(e) pour l indexation des pages web. Il a été défini sous l égide de l Online Computer Library Center (OCLC), et maintenant d un forum ouvert. L ensemble d éléments du Dublin Core est une version très réduite des notices MARC qui ne comprend que quinze éléments : Title Creator Subject Description Publisher Contributor Date Type Format Identifier Source Language Relation Coverage Rights Un nom donné à la ressource. Une entité ayant créé la ressource. Un thème de la ressource. Une description du contenu de la ressource. Une entité responsable de la publication de la ressource. Une entité ayant contribué au contenu de la ressource. La date d un événement dans le cycle de vie de la ressource (ISO 8601). La nature ou le genre du contenu de la ressource (DCMI). La manifestation physique ou numérique de la ressource (MIME). Une référence non ambiguë pour la ressource dans le contexte courant (URI, DOI, ISBN). Une référence à une ressource de laquelle la ressource décrite est dérivée. Un langage dans lequel est exprimé le contenu de la ressource (ISO 3166). Une référence à une ressource liée. L étendue du contenu de la ressource. Des informations sur les droits de la ressource. Utiliser ces éléments pour décrire une ressource est une garantie d être (partiellement) compris par l ensemble des programmes qui supportent le schéma PUBLIER SUR INTERNET

17 W eb séantique et pratiques documentaires simple du Dublin Core. Par ailleurs, on remarque que le vocabulaire à utiliser dans ces champs reprend très souvent d autres standards, ce qui constitue une bonne pratique. L ensemble des éléments du Dublin Core fut une des premières «ontologies» décrites en RDF [Beckett, 2002]. 3.2 Creative commons Le deuxième exemple est celui de creative commons 4, une initiative pour proposer aux créateurs de contenu, qui veulent le distribuer de manière ouverte, un moyen de produire très rapidement une licence d utilisation. L intérêt de cette licence est qu elle est simultanément engendrée en trois formats à partir d une source unique : une version à l aide de pictogrammes pour l utilisateur courant (fig. 8), une version en RDF destinée à être traitée automatiquement (fig. 9) et une version en langage juridique pour les avocats. Figure 8 - LICENCE CREATIVE COMMONS DESTINÉE À LA LECTURE 4 Voir aussi sur ce point le chapitre 6, page 204. PUBLIER SUR INTERNET 173

18 Chapitre 5 Figure 9 - LICENCE CREATIVE COMMONS EN RDF <rdf:rdf xmlns=" xmlns:dc=" xmlns:rdf=" <Work rdf:about=""> <dc:type rdf:resource=" /> <license rdf:resource=" /> </Work> <License rdf:about=" <permits rdf:resource=" /> <permits rdf:resource=" /> <requires rdf:resource=" /> <requires rdf:resource=" /> <prohibits rdf:resource=" /> </License> </rdf:rdf> Ainsi, lorsqu un documentaliste accède à un document indexé à l aide d une licence Creative commons, il devrait savoir s il a la possibilité de mettre à la disposition de ses usagers le document (Distribution) ou s il doit se contenter de noter l URL. Qui plus est, une application de recherche bien faite devrait être capable d interpréter la licence en RDF et de ne lui proposer que les alternatives accordées. On peut remarquer que le format utilisé en standard par Creative commons utilise les éléments du Dublin Core pour annoter les types de média. 3.3 RDF Site summary Le troisième exemple concerne RSS, un format conçu pour diffuser de l information sur le web. Son propos est de baliser une ressource de type flux d informations 5. Il y a actuellement deux versions de RSS utilisées : Really Simple Syndication (RSS 0.9x) est uniquement décrite en XML alors que RDF Site Summary 6 (RSS 1.0) est décrite en XML et RDF. 5 Voir aussi le chapitre 1, pages 38 et suivantes PUBLIER SUR INTERNET

19 W eb séantique et pratiques documentaires Il est tout à fait imaginable que les éditeurs publient les annonces de leurs nouveaux livres ou les sommaires de leurs périodiques à l aide d un fil RSS. Ainsi, voici un fil imaginaire annonçant les sorties et rééditions prochaines d un éditeur. Comme on peut le voir les informations sont très courtes, mais l aspect relationnel permet aux lecteurs comme aux machines d aller chercher plus d informations sur le site. Figure 10 - FIL RSS <rdf:rdf xmlns:rdf=" xmlns=" xmlns:dc=" <channel rdf:about=" <title>routledge news</title> <link> <description>news to our costumers and friends</description> <items> <rdf:seq> <rdf:li rdf:resource=" <rdf:li rdf:resource=" </rdf:seq> </items> </channel> <item rdf:about=" <title>wittgenstein s Tractacus to be reprinted</title> <link> <description>the Tractatus Logico-philosophicus of Ludwig Wittgenstein is scheduled to be reprinted next year.</description> <dc:description>philosophy/logics/language</dc:description> <dc:date> </dc:date> </item> </rdf:rdf> On remarque ici encore l utilisation des balises du Dublin Core pour permettre un filtrage plus facile de l information disponible. On imagine donc très bien, à partir de ces briques de base, comment une institution comme l INRIA pourrait diffuser un fil référençant toutes les publications de ses chercheurs, indexées par les éléments du Dublin Core. On comprend également comment l information sur les droits régissant les publications mises en ligne peut être insérée à l aide des licences de Creative commons. On comprend enfin comment un centre de documentation intéressé aux sujets traités par l INRIA peut s abonner à ce fil, filtrer les informations et les sujets qui l intéressent et le diffuser à ses propres membres PUBLIER SUR INTERNET 175

20 Chapitre En pratique En pratique, on peut imaginer beaucoup d autres manières d utiliser les technologies du web sémantique dans une activité de gestion de documentation. La raison principale est la possibilité de mettre en relation, plus qu auparavant, le domaine des documents pour lequel on dispose d une compétence bien établie avec l ensemble des activités humaines où d autres ont une compétence de pointe. Cette capacité est une caractéristique du web actuel : ce sont les internautes qui ont fait la base de référence des CD musicaux qu aucun groupement d éditeurs n est capable de réaliser 7, ce sont eux qui ont créé la plus grande base de films également 8, alors qu aucun éditeur de magazine de bandes dessinées n est capable de décliner son sommaire comme sur Internet 9. Cette capacité est rendue possible par la collaboration de millions d internautes sur des sujets très pointus. Ces bases de données sont structurées, et il n est pas difficile de les exporter et les interroger en RDF ce qui permet d utiliser ce type d informations dans d autres contextes. On peut imaginer un scénario différent dans lequel un centre de documentation reçoit une demande urgente pour un article publié dans les actes d une conférence difficiles à obtenir. L avènement du web sémantique devrait, par contre, permettre d obtenir facilement le programme de la conférence en question, de se rendre compte qu un chercheur du même institut y a présenté une communication, d obtenir ses coordonnées à l aide de sa description FOAF 2 et de le contacter pour emprunter les actes demandés. 4. Indexation de données audiovisuelles ou multimédias Si le web est encore aujourd hui principalement constitué de documents textuels, la part des documents multimédias (images, vidéos, sons) est de plus en plus importante. La fin des années 90 ayant été marquée par la numérisation progressive de la chaîne de production des contenus et l émergence des systèmes techniques permettant de les traiter, il est désormais très facile de produire directement n importe quel document numérique pour le mettre sur le web. L audiovisuel a été le grand bénéficiaire de cette vague avec l arrivée du numérique au cinéma et à la maison (appareil photo numérique, caméra numérique, etc.). Mais la multiplication de ces ressources sur le web PUBLIER SUR INTERNET